小米深夜"三连发"：MiMo-V2系列大模型登场，AI战事再升级

**北京时间2026年3月19日凌晨**，小米悄然上线了三款自研大模型——**MiMo-V2-Pro**、**MiMo-V2-Omni**、**MiMo-V2-TTS**，一口气覆盖了从文本推理到全模态理解再到语音合成的完整能力栈。这是小米继2月开源机器人VLA大模型之后，在AI领域又一次高调秀肌肉。

一、三款产品，三种能力① MiMo-V2-Pro：旗舰推理基座

这是本轮发布的绝对主角。

MiMo-V2-Pro定位为"面向Agent时代的旗舰基座模型"，其核心参数相当豪华：**总参数量超过1万亿（42B激活参数）**，采用创新的混合注意力架构，支持**1M超长上下文**（约等于100万token），能够完成超长文档的完整理解与推理。

在性能榜单上，MiMo-V2-Pro已在Artificial Analysis排行榜上位列**全球第八、国内第二**，在OpenClaw标准评测榜单（PinchBench、ClawEval）上更是处于全球顶尖水平。小米内部工程师的体感评测显示，其整体表现已逼近Claude Opus 4.6，但API定价仅为后者的**1/5**。

目前已登陆OpenClaw、Claude Code等主流Agent框架，以及金山WebOffice生态（WPS灵犀），同时上线了独立开发者平台 platform.xiaomimimo.com。

② MiMo-V2-Omni：全模态基座

如果说Pro版专注于文本，那么Omni版则是要"通吃"所有模态。

MiMo-V2-Omni专为复杂的多模态交互与执行场景设计，具备三大核心能力：

• 音频理解：支持环境声分类、多说话人分离、音频-视觉联合推理，以及长音频理解，综合表现超越Gemini 3 Pro；

• 图像理解：多学科视觉推理与复杂图表分析能力超越Claude Opus 4.6，逼近Gemini 3 Pro；

• 视频理解：支持原生音视频联合输入，实现真正的多模态视频理解，具备情境感知与未来推理能力。

API定价也相当有竞争力：256K上下文长度内，输入仅**百万，输出0.4/百万token∗∗，输出∗∗2/百万token**。已登陆OpenClaw、OpenCode、KiloCode、Blackbox、Cline等五大Agent开发框架。

③ MiMo-V2-TTS：会说话、能唱歌

这是小米在语音合成领域的首次大规模自研布局。

MiMo-V2-TTS支持高度可控的多粒度语音风格控制，既能实现整体风格定调，也能在同一句话内完成语气转折和情感递变。更引人注目的是其方言能力——支持东北话、四川话、河南话、粤语、台湾腔等多种方言的自然发音，还能进行角色扮演式的风格化演绎，甚至能完成高质量的歌声合成。

二、一次发布会，透露了两个信号信号一：AI落地战，平台比模型更重要

小米三款模型发布后，第一时间登陆的平台清一色是Agent开发框架——OpenClaw、Claude Code、OpenCode、Cline……这不是巧合。模型能力的强弱，今天已经不再是唯一的竞争维度。谁能更快进入开发者的工具链，谁就能在应用生态中占据有利位置。

小米选择了一条务实的路：不追求"最顶尖模型"的虚名，而是让模型去找场景。WPS灵犀、OpenClaw这样的生产力工具集成，比刷榜更有实际价值。

信号二：开源与定价，正在重塑行业格局

MiMo-V2-Pro的API定价是Claude Sonnet 4.6的1/5，MiMo-V2-Omni的价格也极具侵略性。当顶级模型的调用成本降到"人人用得起"的程度，整个行业的定价体系都在被重建。这对于依赖高定价维持利润的海外巨头而言，显然不是一个好消息。

三、为什么是"深夜"发布？

值得注意的是，小米选择了凌晨发布，而非白天或傍晚的常规时间。这一细节也引发了不少讨论——有开发者笑称这是"良心发布"，让全球开发者第二天早上起床就能看到。

但更深层的背景或许是：2026年的AI发布窗口已极度拥挤，大厂之间都在争抢注意力。小米选择在凌晨发布，既避开了白天的发布会高峰，也成功制造了话题热度——"小米深夜发布三款大模型"的消息在发布当天就已刷屏科技圈。

小米这轮发布，节奏感拿捏得不错：旗舰模型立高度、多模态模型拓边界、语音模型接地气。三款产品各有分工，覆盖了从技术开发者到普通用户的不同需求。

而对于整个AI行业而言，一个越来越清晰的趋势正在浮现：**模型不再是护城河，落地生态才是。** 谁能更快地嵌入真实的工作流，谁就能在下一个阶段活得更好。

小米显然想证明，自己不只是一家手机公司，也不只是一家汽车公司——它还想成为AI时代的基础设施之一。